Resumen Técnico: Del Confundimiento al Aprendizaje: Precios de Tarifas de Servicio Dinámicas en Plataformas de Terceros

1. Formulación del Problema

El artículo aborda el problema de la fijación de precios dinámicos que enfrentan las plataformas de terceros (por ejemplo, entrega de comida, transporte de pasajeros, reventa de boletos) que median transacciones entre vendedores y compradores estratégicos. Los ingresos de la plataforma derivan de una tarifa de servicio ($a_t$) aplicada a cada transacción. El desafío central es el aprendizaje de la demanda bajo confusión en presencia de compradores estratégicos y modelos de demanda de alta capacidad.

• Dinámica del Mercado: Los vendedores se comprometen con curvas de oferta ($P_{St}$) antes de que la plataforma establezca la tarifa. La plataforma observa las características de la oferta y establece una tarifa $a_t$. Los compradores, actuando estratégicamente para maximizar su excedente acumulado descontado, determinan su cantidad de compra basándose en el precio total (precio de oferta + tarifa de servicio).
• El Problema del Confundimiento: La plataforma solo observa el precio de equilibrio del mercado ($P^e_t$) y la cantidad ($Q^e_t$). Estos están determinados conjuntamente por la oferta, la demanda y la propia tarifa de la plataforma. Una regresión ingenua de $Q^e_t$ sobre $P^e_t$ falla porque la tarifa $a_t$ es endógena al choque de demanda $\epsilon_{Dt}$, lo que conduce a estimaciones sesgadas (por ejemplo, pendientes de demanda potencialmente positivas).
• Comportamiento Estratégico: Los compradores pueden reportar erróneamente la demanda para manipular futuras tarifas. Si los compradores son tan pacientes como la plataforma ($\gamma=1$), ningún algoritmo puede lograr un arrepentimiento (regret) sublineal. El artículo se centra en el régimen empíricamente relevante donde los compradores son menos pacientes ($\gamma < 1$).
• Complejidad del Modelo: Las plataformas modernas utilizan modelos de alta capacidad como Redes Neuronales Profundas (DNN) para la predicción de la demanda. La teoría estándar de variables instrumentales (IV) no paramétricas suele depender de supuestos de "forma estrellada" (star-shapedness), que las DNN típicamente violan.

2. Metodología

Los autores proponen un marco que transforma la propia variable de decisión de la plataforma en un instrumento válido para el aprendizaje, junto con refinamientos de ingeniería específicos para manejar entornos dinámicos y estratégicos.

2.1 Acciones como Instrumentos (Actions-as-Instruments, AaI)

La idea metodológica central es que la propia tarifa de servicio $a_t$ puede servir como una variable instrumental.

• Ortogonalidad: Dado que la plataforma se compromete con $a_t$ antes de que se realice el choque de demanda $\epsilon_{Dt}$, $a_t$ es ortogonal a $\epsilon_{Dt}$ condicionado a la historia.
• Identificación: Esto permite la construcción de una condición de momento $E[(P^e_t - \beta Q^e_t - f(x_t)) a_t] = 0$, la cual, combinada con la ortogonalidad de las características estándar, identifica los parámetros de la demanda incluso cuando $a_t$ se elige de forma adaptativa.
• Manejo de datos no i.i.d.: Debido a que $a_t$ no es independiente e idénticamente distribuido (depende de la historia pasada), los autores utilizan argumentos de concentración de martingalas en lugar de herramientas i.i.d. estándar para probar la identificación.

2.2 Refinamientos de Ingeniería

Para que el enfoque AaI funcione en la práctica, se introducen tres mecanismos específicos:

1. Corrección Doblemente Robusta: Para controlar la varianza del estimador y acelerar la convergencia, los autores emplean una ecuación estructural doblemente robusta: $E[(P^e_t - \beta Q^e_t - f(x_t))(a_t - E[a_t | x_t])] = 0$. Esto asegura la consistencia si tanto el modelo de demanda como el modelo de predicción de la tarifa están correctamente especificados.
2. Exploración Adaptativa con Ruido Desvaneciente: Cuando el ruido del lado de la oferta ($\sigma^2_S$) es bajo, el instrumento se debilita. El algoritmo inyecta ruido gaussiano artificial en la tarifa con una magnitud de $t^{-1/4}$. Se demuestra que esta tasa es el equilibrio único entre el control de la varianza del instrumento débil y la minimización del arrepentimiento de exploración.
3. Actualizaciones de Bajo Cambio (Low-Switching Updates): Para mitigar la manipulación estratégica por parte de los compradores, los parámetros de la política se actualizan solo $O(\log T)$ veces (en episodios de duplicación). Esto limita el incentivo para que los compradores reporten erróneamente, ya que las reducciones de tarifas futuras se descuentan exponencialmente.

2.3 Manejo de Redes Neuronales Profundas

Para extender el marco a las DNN, los autores construyen un homeomorfismo hacia una clase de funciones auxiliar.

• Evitar la Forma Estrellada: La teoría de IV estándar requiere que la clase de funciones sea estrellada alrededor de la función verdadera. Los autores construyen una clase auxiliar que es homeomorfa a la clase original pero que es estrellada con respecto a la función verdadera.
• Dimensionalidad: Esta construcción aumenta la dimensión efectiva de la clase en como máximo uno, permitiendo la derivación de límites de arrepentimiento para perceptrones multicapa (MLP) arbitrariamente profundos sin asumir la forma estrellada.

3. Resultados Clave

3.1 Arrepentimiento Minimax y Transición de Fase

El artículo establece la tasa de arrepentimiento minimax-óptima, revelando una transición de fase aguda dependiente de la varianza del ruido del lado de la oferta ($\sigma^2_S$):

• Ruido de Oferta Alto ($\sigma^2_S \gtrsim 1/\sqrt{T}$): Las fluctuaciones naturales de la oferta proporcionan una exploración suficiente. La plataforma no necesita inyectar ruido artificial. El arrepentimiento es logarítmico en $T$ ($\tilde{O}(1)$).
• Ruido de Oferta Bajo ($\sigma^2_S \lesssim 1/\sqrt{T}$): La oferta es demasiado estable para identificar la demanda. La plataforma debe explorar explícitamente inyectando un ruido de $t^{-1/4}$. El arrepentimiento escala como $\tilde{O}(\sqrt{T})$.
• Límite Unificado: El arrepentimiento minimax es $\tilde{\Theta}(\sqrt{T} \wedge \sigma^{-2}_S)$.

3.2 Arrepentimiento del Comprador Estratégico

Para compradores con tasa de descuento $\gamma < 1$, el arrepentimiento exhibe solo una dependencia polinómica de $1/(1-\gamma)$. El esquema de actualización de bajo cambio asegura que la distorsión estratégica de la curva de demanda permanezca controlada.

3.3 Construcción del Límite Inferior

El artículo proporciona un límite inferior correspondiente de $\Omega(\sqrt{T} \wedge \frac{\log T}{\sigma^2_S})$. La prueba introduce una construcción novedosa que aísla el canal de información transportado por el ruido de la demanda ($\epsilon_{Dt}$). Al ajustar simultáneamente los parámetros de la demanda y la magnitud del ruido de la demanda, los autores crean instancias indistinguibles donde tanto las diferencias de primer como de segundo orden se desvanecen, una técnica no utilizada previamente en los límites inferiores de precios dinámicos.

4. Validación Empírica

Los autores validan su enfoque utilizando tanto datos sintéticos como conjuntos de datos del mundo real:

• Experimentos Sintéticos: Las simulaciones confirman la transición de fase en $\sigma^2_S \approx 1/\sqrt{T}$ y demuestran que la corrección doblemente robusta reduce significativamente la varianza del estimador en comparación con la IV simple.
• Talabat (Entrega de Comida): Utilizando datos de transacciones a micro-nivel de una plataforma egipcia de entrega de comida, los autores muestran que la regresión OLS ingenua produce pendientes de demanda insignificantes (confundimiento), mientras que el método AaI produce una elasticidad de la demanda estadísticamente significativa y económicamente sensata ($\approx -0.53$). Un contrafactual offline sugiere un potencial de aumento de ingresos de $\approx 5.5\times$ mediante la redistribución dinámica de las tarifas entre las horas pico y valle bajo una restricción de tarifa promedio fija.
• Lyft (Transporte de Pasajeros): Un estudio con datos de transporte de pasajeros en Boston extiende la metodología a modelos no lineales utilizando Transformers. Aunque las mejoras fueron más modestas (consistente con los precios de congestión maduros), el experimento demuestra la viabilidad de aplicar la regresión de IV profunda a funciones de demanda complejas y no separables.

5. Significación y Reivindicaciones

El artículo reclama tres contribuciones primarias:

1. Innovación Metodológica: Introduce el marco de "acciones como instrumentos", demostrando que las propias decisiones adaptativas de una plataforma pueden servir como instrumentos válidos para el aprendizaje de la demanda, siempre que se cumplan condiciones específicas (concentración de martingala, bajo cambio).
2. Perspectiva Teórica: Descubre una transición de fase fundamental en los precios dinámicos donde la volatilidad del mercado es información, no solo ruido. La capacidad de aprendizaje de la demanda está determinada fundamentalmente por la varianza de los choques del lado de la oferta.
3. Aplicabilidad Práctica: Proporciona las primeras garantías teóricas de arrepentimiento para el aprendizaje de la demanda con confusión utilizando redes neuronales arbitrariamente profundas, evitando la restrictiva suposición de forma estrellada mediante una construcción homeomorfa.

Los autores concluyen que su enfoque ofrece un camino viable para que las plataformas de terceros optimicen sus ingresos en entornos complejos, estratégicos y de alta dimensionalidad, siempre que la exploración se calibre cuidadosamente con la volatilidad natural del mercado.